【Video FAS】《Research on Face Liveness Detection Based Video》

最新推荐文章于 2025-10-24 19:46:52 发布
原创 最新推荐文章于 2025-10-24 19:46:52 发布 · 849 阅读 · 28 ·
CC 4.0 BY-SA版权
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
文章标签：

#人工智能 #深度学习 #人脸活检 #Gram-Net #ST-Net

在这里插入图片描述

[1]隋雅茹.基于视频的人脸活体检测算法研究[D].长春理工大学,2024.DOI:10.26977/d.cnki.gccgc.2024.000063.

文章目录

1、Background and Motivation

攻击类型
在这里插入图片描述
background

  • 人脸识别技术的广泛应用
  • 人脸识别技术的安全威胁

motivation

  • 提高人脸识别系统的安全性
  • 克服传统算法的局限性
  • 推动人脸识别技术的发展

2、Related Work

  • 基于纹理信息的人脸活体检测方法
    • 传统方法
    • 深度学习的方法
  • 基于生理信息的人脸活体检测方法——rPPG技术
    • 传统方法 （研究者通过选取感兴趣区域（ROI）、去噪等预处理步骤来提取rPPG信号，并提取手工设计的特征（如心率、频谱统计特征等）进行分类。）（缺点：但当受到噪声影响时，rPPG 信号不够稳健。此外，需要采集 10 至 12 秒的人脸视频才能识别出心跳信息，限制了基于生理信息的检测方法在实际生活中的应用。）
    • 深度学习方法

在这里插入图片描述

存在的问题

纹理信息方法：

  • 需要人脸图像具有较高的分辨率，以准确区分真假人脸的微小纹理特征差异。
  • 在面对不同采集环境、特别是在昏暗的环境中，识别伪造人脸的能力会降低。
  • 难以有效地区分真实人脸和3D面具攻击。

生理信息方法：

  • rPPG信号容易受到光照、头部运动以及采集设备运动的影响，降低活体检测的准确性。
  • 即使在真实人脸视频中，也可能存在微弱的生理信号，影响对重播攻击的检测效果。

3、Advantages / Contributions

  • 提出基于纹理特征的人脸活体检测方法 Gram-Net
  • 提出基于生理特征的人脸活体检测方法 STNet + FFT + SVM
  • 提出基于多特征融合的人脸活体检测方法（提出基于注意力机制的融合模块），结合了基于纹理特征的 Gram-Net 和基于生理特征的 ST-Net（采用迁移学习的方法训练双通道网络），通过基于注意力机制的融合模块实现了对纹理特征和生理特征的有效融合。

在 Replay-Attack 和 3DMask 数据库上，基于纹理特征的方法达到了 100% 的准确率。

基于生理特征的方法在 Replay-Attack 数据库上准确率为99.38%，在 3DMask 数据库上为 100%。

基于多特征融合的方法在 Replay-Attack 数据库上准确率为99.79%，在 3DMask 数据库上为 100%。

4、Method

4.1、基于纹理特征的人脸活体检测

人脸检测，作者选用的是 MTCNN

最低0.47元/天 解锁文章
【Binocular FAS】《Face liveness detection method based on near-infrared and visible binocular vision》
bryant_meng
03-26 1166
首先，采用近红外与可见光双目装置同步获取人脸图像，提取两图像的人脸特征点，利用双目关系实现特征点的匹配并获取其深度信息，再利用深度信息进行三维点云重建；然后，将全部人脸特征点划分为四个区域，计算各区域内人脸特征点在深度方向的平均方差；接着，选取人脸关键特征点，以鼻尖点为参照点，计算鼻尖点到人脸关键特征点之间的空间距离；最后，利用人脸特征点的深度值方差和空间距离来构造特征向量，使用支持向量机（SVM）实现活体人脸判断。
【FAS Survey】《Deep learning for face anti-spoofing: A Survey》
bryant_meng
01-31 1561
PAMI-2022最新成果：https://github.com/ZitongYu/DeepFAS。
【FAS】《Research on Face Liveness Detection Algorithm Based on Multi-mode Fusion 》
bryant_meng
06-07 541
1）文中对 HSV 和 YCbCr 颜色空间上的完整人脸与局部 patch 图像以及包含动态信息的时序图像进行特征提取，并为此设计了一种多输入的融合网络。数据库中每一帧的相似性较高，所以堆叠过后的时序图没有包含丰富的动态特征，时序特征要比在 RGB 颜色空间上中获得的特征更具有鉴别力。由于攻击类型的多样性、环境的干扰以及不同种类摄像头采集图像的差异等因素的影响，使得活体检测模型在现实场景使用中效果不佳。这里的决策网络融合了不同 level 的 feature。光照强度的影响、背景的干扰、摄像头的视点等。
【FAS】《Research on Face Liveness Detection Based on Visible Light Imaging》
bryant_meng
04-28 705
李新豆. 基于可见光成像的人脸活体检测方法研究[D]. 重庆:重庆邮电大学,2019.
【FAS】《An Ensemble Model for Face Liveness Detection》
bryant_meng
06-10 614
arXiv-2022。
【FAS】《Research on Face Presentation Attack Detection Based on Illumination Consistency and Tex xxxx》
bryant_meng
04-21 1141
1]蒙少华.基于光照一致化与纹理特征的人脸活体检测研究[D].湖南大学,2022.DOI:10.27135/d.cnki.ghudu.2022.004058.
【Multi-Facotr FAS】《Research and Design on Multi-Factor Enabled Facial Liveness Detection Systems》
bryant_meng
06-17 700
本文提出的多因子活体检测系统，以人脸为基础，利用人机交互的方式，对人脸活性进行检测，其中人脸活体检测的方法较多，从最简单的张嘴，眨眼，摇头，甚至基于以上动作扩展的方法到现在的基于眼睛视线的实时检测，人脸表情的分析以及最新的基于人脸距离摄像机距离产生不同的关键点的变化来抵御目前威胁最大的照片、视频和 3D 虚拟人脸攻击。但因为鲁棒性和用户体验度问题将信任度设置较低，将以上方法按顺序进行排序，则 n 的取值为 28，最后生成的 number 则对应的为检测方法，系统调用该检测方法的测试模型。
【Multi-Feature FAS】《Face Anti-Spoofing Based on Multi-Feature Fusion》
bryant_meng
06-05 817
光流：rPPG：首次引入远程心率信号（remote Photo Plethysmography, rPPG）来解决的人脸防伪算法是有着较大的创新检测也帮忙卡活检，配合手动设计的特征。
【FAS-FRN】《Recognizing Multi-modal Face Spoofing with Face Recognition Networks》
bryant_meng
10-29 1489
CVPR-2019 workshop code：https://github.com/AlexanderParkin/ChaLearn_liveness_challenge 文章目录1 Background and Motivation2 Related Work3 Advantages / Contributions4 Datasets5 Method5.1 Attack specific folds4.2 Transfer learning4.3. Model architecture5 Exp..
【FAS】《The Research of RGB Image Based Face Anti-Spoofing》
bryant_meng
07-30 1151
info GAN 里面涉及到了特征的解耦，作者解耦活检特征和内容特征（光照、ID、背景）人脸结构信息可能不是活检主要关注的信息，可以打乱，打乱还可以引入不同域的 patch 增加泛化性能。
Face Anti-Spoofing FAS 综述
qingmengEL的博客
11-29 3180
FAS综述整理
【Context FAS】《Context based Face Anti-Spoofing》
bryant_meng
01-02 828
BTAS-2013。
Deepseek-ocr论文精读
wanzhong2333的博客
10-21 1720
给出了几个重要信息这是一篇探究视觉二维映射（optical 2D mapping）实现长上下文压缩的可行性的文章。这个模型不怕高分辨率的输入。当视觉图像压缩比很高的情况下，识别的精度依然很高。模型推理速度快，单张 A100-40G 显卡搭载的 DeepSeek-OCR 每日可生成 20 万页以上的数据。下图其他模型的在基准测试中对比，出手就是王炸，deepseek-ocr系列包揽了整个外围，类似机器学习的AUC图像，面积越大，模型性能越好。
密集向量，稀疏向量，二进制向量 之间有什么区别和联系
陈开心的博客
10-21 1424
摘要： 密集向量（Dense Vector）、稀疏向量（Sparse Vector）和二进制向量（Binary Vector）是机器学习中常用的三种向量表示方法。密集向量由连续浮点数组成，通常由神经网络生成，用于捕获语义信息（如BERT嵌入）。稀疏向量大部分维度为0，适用于词袋模型或TF-IDF，高效存储非零特征。二进制向量仅用0/1表示特征存在性，适合布尔场景（如图片哈希）。三者区别在于数值类型、维度和应用场景：密集向量适合语义匹配，稀疏向量用于关键词检索，二进制向量用于快速特征比对。现代系统（如Milv
合合信息亮相PRCV：多模态文本智能与内容安全双擎驱动的技术突破与实践解析
2501_92808811的博客
10-22 779
合合信息的方案首先通过CV模型定位图片中的文字区域（如用户发布的广告图中的宣传语），再通过OCR提取文字后，利用多模态模型判断图文关联性（如图片为儿童玩具，但文字包含“成人用品促销”这类矛盾内容），最后结合内容安全模型的敏感实体识别（如违禁药品名称）与情感分析（如煽动性词汇密度）输出拦截建议。例如，一张包含文字的发票图片（图像模态），需要先通过OCR（光学字符识别）提取文字（文本模态），再结合发票模板规则（结构化知识）与业务上下文（如报销政策）进行语义分析（文本推理）。合合信息的技术突破在于：通过。
软件所2025预推免
最新发布
qq_73354094的博客
10-24 519
2.大笨钟，00:00-12:00不报时（包含端点），后半天报时，整点就报对应的时间，超出的就多报一声，例如13:00报一声，13:05报两声。8.在100米的航道，两船开始时相向而行，第一船100米用72秒，第二船100米60秒，掉头不算时间，问在12分钟内相遇几次？2.观察n天，7天有不活跃情况（上午或者下午不活跃），5天上午活跃，6天下午活跃，如果下午不活跃上午一定活跃，问观察了几天。11.10张牌，开始时都是反面，1的倍数翻一次，2的倍数翻一次，一直到10，问最后正面朝上的最大和最小的差值是多少？
如何建模，将真实问题建模为模型问题【持续更新，没写完】
qq_41764621的博客
10-23 721
文章摘要： 机器学习模型的核心在于其"归纳偏置"，即模型对未知数据的假设偏好。不同模型具有独特的偏置：线性回归假设线性关系；CNN依赖局部性和平移不变性；RNN强调序列信息；Transformer采用全局上下文和动态关系偏置；LLM则基于"预测下一个词"的自回归偏置。理解模型的关键在于分析其偏置内容，包括继承的基础偏置、引入的新架构设计及其假设、性能权衡等。这一视角为模型分析和论文阅读提供了系统框架。
神经网络中的 HWC→CHW 格式转换
StarPrayers.的博客
10-23 457
HWC（高度、宽度、通道）和CHW（通道、高度、宽度）是神经网络中两种数据格式。CHW格式更符合主流框架（如PyTorch）要求，能提升计算效率，减少内存访问延迟，并与预训练模型兼容。转换方法包括使用NumPy的transpose或PyTorch的permute函数进行维度置换。CHW格式有利于优化GPU计算性能，适配深度学习框架的卷积操作要求。
变分自编码器（Variational Autoencoder，VAE）
盼小辉丶的博客
10-23 700
变分自编码器 (VAE) 是一种生成模型，其目标是对输入数据的分布进行建模。VAE 由编码器和解码器组成，编码器将输入数据映射到连续潜空间的高斯分布，解码器则从潜向量重构输入。通过引入变分推理，VAE 使用可处理的分布近似真实后验分布，并构建证据下界 (ELBO) 作为优化目标。损失函数包括重构损失和 KL 散度损失，后者促使潜空间接近标准高斯先验。为解决随机采样导致的梯度阻断问题，VAE 采用重参数化技巧。训练完成后，解码器可直接用于生成新样本。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值